Coronary Artery Disease Classification with Different Lesion Degree Ranges based on Deep Learning

要約

侵襲的冠動脈造影 (ICA) 画像は、冠動脈の状態を評価するためのゴールドスタンダードとみなされます。
ディープラーニング分類手法は、医師の臨床処置をサポートできるコンピューター支援診断システムの開発により、医用画像評価が重要な影響を与えるさまざまな分野で広く使用され、よく開発されています。
この論文では、異なる病変度によるバイナリICA分類のための深層学習法の新しい性能分析が報告されています。
この目標を達成するために、グラウンド トゥルース、病変の位置、および 0% ～ 100% の範囲の 7 つの可能な重症度を含む、ICA 画像の注釈付きデータセットが採用されました。
ICA 画像は、「病変」パッチまたは「非病変」パッチに分割されました。
私たちは、陽性クラスで考慮されるさまざまな病変の程度によってバイナリ分類のパフォーマンスがどのように影響を受けるかを研究することを目的としています。
したがって、5 つの既知の畳み込みニューラル ネットワーク アーキテクチャが、7 つの病変程度を考慮するまで、異なる病変程度の範囲が徐々に組み込まれた異なる入力画像を使用してトレーニングされました。
さらに、データ拡張ありとなしの 4 種類の実験が設計され、F 値と曲線下面積 (AUC) が計算されました。
報告された結果では、F 値と AUC がそれぞれ 92.7% と 98.1% に達しました。
ただし、病変の分類は分類対象の病変の程度に大きく影響され、99% 未満の病変パッチが存在する場合は精度が 15% 低くなります。

要約(オリジナル)

Invasive Coronary Angiography (ICA) images are considered the gold standard for assessing the state of the coronary arteries. Deep learning classification methods are widely used and well-developed in different areas where medical imaging evaluation has an essential impact due to the development of computer-aided diagnosis systems that can support physicians in their clinical procedures. In this paper, a new performance analysis of deep learning methods for binary ICA classification with different lesion degrees is reported. To reach this goal, an annotated dataset of ICA images that contains the ground truth, the location of lesions and seven possible severity degrees ranging between 0% and 100% was employed. The ICA images were divided into ‘lesion’ or ‘non-lesion’ patches. We aim to study how binary classification performance is affected by the different lesion degrees considered in the positive class. Therefore, five known convolutional neural network architectures were trained with different input images where different lesion degree ranges were gradually incorporated until considering the seven lesion degrees. Besides, four types of experiments with and without data augmentation were designed, whose F-measure and Area Under Curve (AUC) were computed. Reported results achieved an F-measure and AUC of 92.7% and 98.1%, respectively. However, lesion classification is highly affected by the degree of the lesion intended to classify, with 15% less accuracy when <99% lesion patches are present.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google